基于表面特征关联的用于钢管表面的水泥去除控制方法与流程

1.本申请涉及人工智能领域，且更为具体地，涉及一种基于表面特征关联的用于钢管表面的水泥去除控制方法、系统和电子设备。


背景技术：

2.在建筑房屋，构建地基时，都会用到钢管来搭架子，钢管起到一个临时支撑的作用，并不属于消耗品，还可以再次利用。但是在施工时，水泥等物很容易附着粘固在钢管上，且水泥凝固后，十分难清除，当需要再次使用钢管时，首先要将钢管上的水泥去除，才可以再次使用，以免钢管之间固定不够紧密发生危险。
3.为了克服传统的去除钢管上的水泥的人工敲打方式所带来的噪音大，扬尘多，效率慢，耗费大量人力，且容易对钢管造成损坏的问题，近来开发了一种滚筒式的清理装置。即，将表面附着着水泥的钢管放到滚筒内，通过转动滚筒使得滚筒内壁的刮板将水泥除去。
4.上述方式目前所遇到的问题主要在于如何控制滚筒的转动速度，因为每根钢管上的水泥的固着情况不同，如果为了提高去除效果来一味增大转速，显然将造成大量资源的浪费。
5.因此，需要一种用于钢管表面的水泥去除装置的转速控制方案。
6.目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
7.近年来，深度学习以及神经网络的发展为水泥去除装置的转速控制提供了新的解决思路和方案。


技术实现要素：

8.为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于表面特征关联的用于钢管表面的水泥去除控制方法、系统和电子设备，其基于深度学习的人工智能控制的方式来进行滚筒的转速控制，具体地，通过深度神经网络来提取用于表达钢管表面的水泥固着情况的特征，并通过分类器来获得表示滚筒的转速档位的分类结果，通过这样的方式，以使得所获得的滚筒转速能够兼顾效率和水泥去除效果。
9.根据本申请的一个方面，提供了一种基于表面特征关联的用于钢管表面的水泥去除控制方法，其包括：
10.获取待除水泥的钢管在长度方向上的多张长度方向图像和在截面方向上的多张截面方向图像；
11.将所述多张长度方向图像通过第一卷积神经网络以获得多张长度方向特征图并对所述多张长度方向特征图进行全局平均值池化以获得多个长度方向特征值；
12.将所述多张截面方向图像通过第二卷积神经网络以获得多张截面方向特征图并对所述多张截面方向特征图进行全局平均值池化以获得多个截面方向特征值；
13.基于所述多个长度方向特征值和所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；
14.基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图；以及
15.基于所述分类特征图通过分类器以获得分类结果，所述分类结果表示用于去除水泥的滚筒的转动速度控制档位。
16.在上述基于表面特征关联的用于钢管表面的水泥去除控制方法中，基于所述多个长度方向特征值和所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数，包括：
17.基于如下公式计算所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；
18.所述公式为：
[0019][0020]
其中，r表示所述关联系数，和分别表示长度方向特征值的均值和截面方向特征值的均值，x表示长度方向特征值，y表示截面方向特征值。
[0021]
在上述基于表面特征关联的用于钢管表面的水泥去除控制方法中，基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图，包括：对所述多张长度方向特征图进行最大值池化以获得长度方向池化特征图；对所述多张截面方向特征图进行最大值池化以获得截面方向池化特征图；以及，以所述关联系数作为权重计算所述长度方向池化特征图和所述截面方向池化特征图之间的加权和以获得所述分类特征图。
[0022]
在上述基于表面特征关联的用于钢管表面的水泥去除控制方法中，基于所述分类特征图通过分类器以获得分类结果，所述分类结果表示用于去除水泥的滚筒的转动速度控制档位，包括：将所述分类特征图通过全连接层以获得分类特征向量；以及，将所述分类特征向量输入分类函数以获得所述分类结果。
[0023]
在上述基于表面特征关联的用于钢管表面的水泥去除控制方法中，所述截面方向特征图为聚焦于捕捉带有深度信息的特征图。
[0024]
根据本申请的另一方面，提供了一种基于表面特征关联的用于钢管表面的水泥去除控制系统，包括：
[0025]
图像获取单元，用于获取待除水泥的钢管在长度方向上的多张长度方向图像和在截面方向上的多张截面方向图像；
[0026]
长度方向特征值生成单元，用于将所述图像获取单元获得的所述多张长度方向图像通过第一卷积神经网络以获得多张长度方向特征图并对所述多张长度方向特征图进行全局平均值池化以获得多个长度方向特征值；
[0027]
截面方向特征值生成单元，用于将所述图像获取单元获得的所述多张截面方向图像通过第二卷积神经网络以获得多张截面方向特征图并对所述多张截面方向特征图进行
全局平均值池化以获得多个截面方向特征值；
[0028]
关联系数生成单元，用于基于所述长度方向特征值生成单元获得的所述多个长度方向特征值和所述截面方向特征值生成单元获得的所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；
[0029]
分类特征图生成单元，用于基于所述关联系数生成单元获得的所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图；以及
[0030]
分类结果生成单元，用于基于所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类结果，所述分类结果表示用于去除水泥的滚筒的转动速度控制档位。
[0031]
在上述基于表面特征关联的用于钢管表面的水泥去除控制系统中，所述关联系数生成单元，进一步用于：
[0032]
基于如下公式计算所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；
[0033]
所述公式为：
[0034][0035]
其中，r表示所述关联系数，和分别表示长度方向特征值的均值和截面方向特征值的均值，x表示长度方向特征值，y表示截面方向特征值。
[0036]
在上述基于表面特征关联的用于钢管表面的水泥去除控制系统中，所述分类特征图生成单元，包括：长度方向池化特征图生成子单元，用于对所述多张长度方向特征图进行最大值池化以获得长度方向池化特征图；截面方向池化特征图生成子单元，用于对所述多张截面方向特征图进行最大值池化以获得截面方向池化特征图；以及，加权和计算子单元，用于以所述关联系数作为权重计算所述长度方向池化特征图和所述截面方向池化特征图之间的加权和以获得所述分类特征图。
[0037]
在上述基于表面特征关联的用于钢管表面的水泥去除控制系统中，所述分类结果生成单元，包括：分类特征向量生成子单元，用于将所述分类特征图通过全连接层以获得分类特征向量；以及，分类子单元，用于将所述分类特征向量输入分类函数以获得所述分类结果。
[0038]
在上述基于表面特征关联的用于钢管表面的水泥去除控制系统中，所述截面方向特征图为聚焦于捕捉带有深度信息的特征图。
[0039]
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于表面特征关联的用于钢管表面的水泥去除控制方法。
[0040]
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于表面特征关联的用于钢管表面的水泥去除控制方法。
[0041]
根据本申请提供的基于表面特征关联的用于钢管表面的水泥去除控制方法、系统
和电子设备，其基于深度学习的人工智能控制的方式来进行滚筒的转速控制，具体地，通过深度神经网络来提取用于表达钢管表面的水泥固着情况的特征，并通过分类器来获得表示滚筒的转速档位的分类结果，通过这样的方式，以使得所获得的滚筒转速能够兼顾效率和水泥去除效果。
附图说明
[0042]
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0043]
图1图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法的场景示意图。
[0044]
图2图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法的流程图。
[0045]
图3图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法的架构示意图。
[0046]
图4图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法中基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图的流程图。
[0047]
图5图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制系统的框图。
[0048]
图6图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制系统中分类特征图生成单元的框图。
[0049]
图7图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制系统中分类结果生成单元的框图。
[0050]
图8图示了根据本申请实施例的电子设备的框图。
具体实施方式
[0051]
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0052]
场景概述
[0053]
如前所述，在建筑房屋，构建地基时，都会用到钢管来搭架子，钢管起到一个临时支撑的作用，并不属于消耗品，还可以再次利用。但是在施工时，水泥等物很容易附着粘固在钢管上，且水泥凝固后，十分难清除，当需要再次使用钢管时，首先要将钢管上的水泥去除，才可以再次使用，以免钢管之间固定不够紧密发生危险。
[0054]
为了克服传统的去除钢管上的水泥的人工敲打方式所带来的噪音大，扬尘多，效率慢，耗费大量人力，且容易对钢管造成损坏的问题，近来开发了一种滚筒式的清理装置。即，将表面附着着水泥的钢管放到滚筒内，通过转动滚筒使得滚筒内壁的刮板将水泥除去。
[0055]
上述方式目前所遇到的问题主要在于如何控制滚筒的转动速度，因为每根钢管上的水泥的固着情况不同，如果为了提高去除效果来一味增大转速，显然将造成大量资源的浪费。
[0056]
因此，需要一种用于钢管表面的水泥去除装置的转速控制方案。
[0057]
本申请的申请人考虑采用基于深度学习的人工智能控制的方式来进行滚筒的转速控制，也就是，由于滚动的转速实际上是考虑钢管表面的水泥固着情况一个拟合过程，可以通过深度神经网络来提取用于表达钢管表面的水泥固着情况的特征，并通过分类器来拟合出几个类别，以表示可能的几档转动速度大小。
[0058]
为了能够充分地表达钢管表面的水泥固着情况，本申请的申请人考虑分别通过在钢管的长度方向和截面方向上拍摄图像来获得钢管表面的水泥的图像特征。其中，在钢管的长度方向的图像特征能够表达水泥在钢管表面的分布情况，而截面方向上的图像特征则能够表达水泥在钢管表面的固着厚度特征。但是，仍然需要考虑两者之间的关联关系如何表达。
[0059]
这里，无论是水泥在钢管表面的分布情况，还是水泥在钢管表面的固着厚度都是服从统计意义上的正态分布的，因此，本申请的申请人考虑使用用于表征两个正态分布之间的关联性的系数。
[0060]
具体地，首先获得从多个角度拍摄的钢管的长度方向的多张图像和截面方向的多张图像，然后将长度方向的多个图像和截面方向的多个图像分别通过不同卷积神经网络获得多个长度特征图和截面特征图，然后，将长度特征图和截面特征图进行平均值池化处理，以获得长度特征值和截面特征值，例如，长度特征值记为x1到xn，截面特征值记为y1到yn。则相关系数的计算方式为：
[0061][0062]
其中，和分别表示均值。然后，通过将多个长度特征图和多个截面特征图基于所述相关系数进行融合，就可以经过分类器获得分类结果。并且，由于输入分类器的分类特征图从长度和截面方向上充分地表达钢管表面的水泥固着情况，且表达出了长度和截面方向上的钢管表面的水泥固着情况的关联关系，可以有效地提高分类准确性。
[0063]
基于此，本申请提出了一种基于表面特征关联的用于钢管表面的水泥去除控制方法，其包括：获取待除水泥的钢管在长度方向上的多张长度方向图像和在截面方向上的多张截面方向图像；将所述多张长度方向图像通过第一卷积神经网络以获得多张长度方向特征图并对所述多张长度方向特征图进行全局平均值池化以获得多个长度方向特征值；将所述多张截面方向图像通过第二卷积神经网络以获得多张截面方向特征图并对所述多张截面方向特征图进行全局平均值池化以获得多个截面方向特征值；基于所述多个长度方向特征值和所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图；以及，基于所述分类特征图通过分类器以获得分类结果，所述分类结果表示用于去除水泥的滚筒的转动速度控制档
位。
[0064]
图1图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法的场景示意图。
[0065]
如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的c)获取待除水泥的钢管(例如，如图1中所示意的s)在长度方向上的多张长度方向图像和在截面方向上的多张截面方向图像；然后，将所述多张长度方向图像和所述多张截面方向图像输入至部署有表面特征关联的用于钢管表面的水泥去除控制算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够基于表面特征关联的用于钢管表面的水泥去除控制算法对所述多张长度方向图像和所述多张截面方向图像进行处理，以输出表示用于去除水泥的滚筒的转动速度控制档位的分类结果。
[0066]
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
[0067]
示例性方法
[0068]
图2图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法的流程图。如图2所示，根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法，包括：s110,获取待除水泥的钢管在长度方向上的多张长度方向图像和在截面方向上的多张截面方向图像；s120，将所述多张长度方向图像通过第一卷积神经网络以获得多张长度方向特征图并对所述多张长度方向特征图进行全局平均值池化以获得多个长度方向特征值；s130，将所述多张截面方向图像通过第二卷积神经网络以获得多张截面方向特征图并对所述多张截面方向特征图进行全局平均值池化以获得多个截面方向特征值；s140，基于所述多个长度方向特征值和所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；s150，基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图；以及，s160,基于所述分类特征图通过分类器以获得分类结果，所述分类结果表示用于去除水泥的滚筒的转动速度控制档位。
[0069]
图3图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法的架构示意图。如图3所示，在该网络架构中，首先将获取的所述待除水泥的钢管的多张长度方向图像(例如，如图3中所示意的in0)通过第一卷积神经网络(例如，如图3中所示意的cnn1)以获得多张长度方向特征图(例如，如图3中所示意的f1)并对所述多张长度方向特征图进行全局平均值池化以获得多个长度方向特征值(例如，如图3中所示意的v1)；接着，将获取的所述待除水泥的钢管的多张截面方向图像(例如，如图3中所示意的in1)通过第二卷积神经网络(例如，如图3中所示意的cnn2)以获得多张截面方向特征图(例如，如图3中所示意的f2)并对所述多张截面方向特征图进行全局平均值池化以获得多个截面方向特征值(例如，如图3中所示意的v2)；然后，将基于所述多个长度方向特征值和所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；接着，基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图(例如，如图3中所示意的fc)；然后，基于所述分类特征图通过分类器以获得分类结果，所述分类结果表示用于去除水泥的滚筒的转动速度控制档位。
[0070]
在步骤s110中，获取待除水泥的钢管在长度方向上的多张长度方向图像和在截面方向上的多张截面方向图像。为了能够充分地表达钢管表面的水泥固着情况，本申请的申请人考虑分别通过在钢管的长度方向和截面方向上拍摄图像来获得钢管表面的水泥的图像特征。其中，在钢管的长度方向的图像特征能够表达水泥在钢管表面的分布情况，而截面方向上的图像特征则能够表达水泥在钢管表面的固着厚度特征。
[0071]
在具体实施中，可通过摄像头以多个角度采集所述待除水泥的钢管的多张图像，这里，所述多个角度优选地大于等于3，并使得所述摄像头的视场角能够覆盖所述待除水泥的钢管的整个外周面。
[0072]
在步骤s120中，将所述多张长度方向图像通过第一卷积神经网络以获得多张长度方向特征图并对所述多张长度方向特征图进行全局平均值池化以获得多个长度方向特征值。应可以理解，所述长度方向特征图表示在钢管表面的水泥在钢管的长度方向上的图像特征。也就是，以所述第一卷积神经网络对所述多张长度方向图像进行处理，以提取出钢管表面的水泥在钢管的长度方向上特征在高维隐含空间中的特征表示。
[0073]
如前所述，除了考虑水泥在钢管的长度方向的图像特征和水泥在截面方向上的图像特征外，还需要考虑两者之间的关联关系如何表达。故，在本申请的技术方案中，进一步地对所述多张长度方向特征图进行全局平均值池化以获得多个长度方向特征值，也就是，以所述长度方向特征值来表示钢管表面的水泥在钢管的长度方向上的图像特征。
[0074]
在步骤s130中，将所述多张截面方向图像通过第二卷积神经网络以获得多张截面方向特征图并对所述多张截面方向特征图进行全局平均值池化以获得多个截面方向特征值。应可以理解，所述截面方向特征图表示在钢管表面的水泥在钢管的截面方向上的图像特征。也就是，以所述第二卷积神经网络对所述多张截面方向图像进行处理，以提取出钢管表面的水泥在钢管的截面方向上特征在高维隐含空间中的特征表示。
[0075]
并且，进一步地对所述多张截面方向特征图进行全局平均值池化以获得多个截面方向特征值，也就是，以所述截面方向特征值来表示钢管表面的水泥在钢管的截面方向上的图像特征。
[0076]
特别地，在本申请的技术方案中，钢管表面水泥在钢管的截面方向上的图像特征表达水泥在钢管表面的固着厚度特征。因此，在训练所述第二卷积神经网络的过程中，可使得所述第二卷积神经网络聚焦于捕捉带有深度信息的所述截面特征图，其原因在于，厚度特征可通过深度信息更好地表示。
[0077]
在步骤s140中，基于所述多个长度方向特征值和所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数。也就是，基于步骤s120中获得的长度方向特征值和步骤s130中获得的截面方向特征值，来计算述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数。
[0078]
特别地，在本申请的技术方案中，无论是水泥在钢管表面的分布情况，还是水泥在钢管表面的固着厚度都是服从统计意义上的正态分布的，因此，本申请的申请人考虑使用用于表征两个正态分布之间的关联性的系数。
[0079]
具体地，在本申请实施例中，基于所述多个长度方向特征值和所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分
布的关联系数，包括：
[0080]
基于如下公式计算所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；
[0081]
所述公式为：
[0082][0083]
其中，r表示所述关联系数，和分别表示长度方向特征值的均值和截面方向特征值的均值，x表示长度方向特征值，y表示截面方向特征值。
[0084]
在步骤s150中，基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图。也就是，通过将多个长度特征图和多个截面特征图基于所述相关系数进行融合以获得所述分类特征图。
[0085]
具体地，在本申请一个具体示例中，基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图的过程，包括：首先，对所述多张长度方向特征图进行最大值池化以获得长度方向池化特征图。接着，对所述多张截面方向特征图进行最大值池化以获得截面方向池化特征图，应可以理解，最大值池化是通过提取领域内的特征的最大值实现，其能够抑制网络参数误差造成估计均值偏移的现象，能够更好地提取纹理信息。然后，以所述关联系数作为权重计算所述长度方向池化特征图和所述截面方向池化特征图之间的加权和以获得所述分类特征图。
[0086]
图4图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法中，基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图的流程图。如图4所示，基于所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图，包括：s210，对所述多张长度方向特征图进行最大值池化以获得长度方向池化特征图；s220，对所述多张截面方向特征图进行最大值池化以获得截面方向池化特征图；以及，s230，以所述关联系数作为权重计算所述长度方向池化特征图和所述截面方向池化特征图之间的加权和以获得所述分类特征图。
[0087]
在步骤s160中，基于所述分类特征图通过分类器以获得分类结果，所述分类结果表示用于去除水泥的滚筒的转动速度控制档位。具体地，首先，将所述分类特征图通过至少一个全连接层以获得分类特征向量，应可以理解，通过全连接层能够充分地利用所述分类特征图中各个位置的信息；接着，将所述分类特征向量输入分类函数(例如，softmax分类函数)以获得所述分类结果，其中，所述分类结果表示用于去除水泥的滚筒的转动速度控制档位。
[0088]
应注意到，在本申请的技术方案中，特征提取和分类器以解耦的方式进行配置，也就是，本申请的技术方案分为两个阶段：特征提取阶段(即，利用关联系数融合长度方向特征图和截面方向特征图以获得分类特征图的过程)和分类结果(即，利用特征提取阶段所获得的分类特征图进行分类的过程)。通过这样的方式，使得各个阶段能够更为聚焦于各自的任务。
[0089]
综上，基于本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法被阐明，其基于深度学习的人工智能控制的方式来进行滚筒的转速控制，具体地，通过深度神经网络来提取用于表达钢管表面的水泥固着情况的特征，并通过分类器来获得表示滚筒的转速档位的分类结果，通过这样的方式，以使得所获得的滚筒转速能够兼顾效率和水泥去除效果。
[0090]
示例性系统
[0091]
图5图示了根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制系统的框图。
[0092]
如图5所示，根据本申请实施例的基于表面特征关联的用于钢管表面的水泥去除控制系统500，包括：图像获取单元510，用于获取待除水泥的钢管在长度方向上的多张长度方向图像和在截面方向上的多张截面方向图像；长度方向特征值生成单元520，用于将所述图像获取单元510获得的所述多张长度方向图像通过第一卷积神经网络以获得多张长度方向特征图并对所述多张长度方向特征图进行全局平均值池化以获得多个长度方向特征值；截面方向特征值生成单元530，用于将所述图像获取单元510获得的所述多张截面方向图像通过第二卷积神经网络以获得多张截面方向特征图并对所述多张截面方向特征图进行全局平均值池化以获得多个截面方向特征值；关联系数生成单元540，用于基于所述长度方向特征值生成单元520获得的所述多个长度方向特征值和所述截面方向特征值生成单元530获得的所述多个截面方向特征值，确定所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；分类特征图生成单元550，用于基于所述关联系数生成单元540获得的所述关联系数计算所述多张长度方向特征图和所述多张张截面方向特征图之间的加权和以获得分类特征图；以及，分类结果生成单元560，用于基于所述分类特征图生成单元550获得的所述分类特征图通过分类器以获得分类结果，所述分类结果表示用于去除水泥的滚筒的转动速度控制档位。
[0093]
在一个示例中，在上述水泥去除控制系统500中，所述关联系数生成单元540，进一步用于：
[0094]
基于如下公式计算所述待除水泥的钢管上的水泥在其长度方向上的分布和在其截面方向上的分布的关联系数；
[0095]
所述公式为：
[0096][0097]
其中，r表示所述关联系数，和分别表示长度方向特征值的均值和截面方向特征值的均值，x表示长度方向特征值，y表示截面方向特征值。
[0098]
在一个示例中，在上述水泥去除控制系统500中，如图6所示，所述分类特征图生成单元550，包括：长度方向池化特征图生成子单元551，用于对所述多张长度方向特征图进行最大值池化以获得长度方向池化特征图；截面方向池化特征图生成子单元552，用于对所述多张截面方向特征图进行最大值池化以获得截面方向池化特征图；以及，加权和计算子单元553，用于以所述关联系数作为权重计算所述长度方向池化特征图和所述截面方向池化
特征图之间的加权和以获得所述分类特征图。
[0099]
在一个示例中，在上述水泥去除控制系统500中，如图7所示，所述分类结果生成单元560，包括：分类特征向量生成子单元561，用于将所述分类特征图通过全连接层以获得分类特征向量；以及，分类子单元562，用于将所述分类特征向量输入分类函数以获得所述分类结果。
[0100]
这里，本领域技术人员可以理解，上述水泥去除控制系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于表面特征关联的用于钢管表面的水泥去除控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0101]
如上所述，根据本申请实施例的水泥去除控制系统500可以实现在各种终端设备中，例如水泥去除装置等。在一个示例中，根据本申请实施例的水泥去除控制系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该水泥去除控制系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该水泥去除控制系统500同样可以是该终端设备的众多硬件模块之一。
[0102]
替换地，在另一示例中，该水泥去除控制系统500与该终端设备也可以是分立的设备，并且该水泥去除控制系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0103]
示例性电子设备
[0104]
下面，参考图8来描述根据本申请实施例的电子设备。
[0105]
图8图示了根据本申请实施例的电子设备的框图。
[0106]
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
[0107]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0108]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类结果、截面方向图像、长度方向图像等各种内容。
[0109]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0110]
该输入装置13可以包括例如键盘、鼠标等等。
[0111]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0112]
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0113]
示例性计算机程序产品和计算机可读存储介质
[0114]
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法中的步骤。
[0115]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0116]
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于表面特征关联的用于钢管表面的水泥去除控制方法中的步骤。
[0117]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0118]
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
[0119]
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0120]
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
[0121]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0122]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。